Identificación Paramétrica de un Motor de CD Utilizando el Algoritmo de Evolución Diferencial

Resumen: El presente trabajo tiene como finalidad estudiar la factibilidad del uso de enfoques heurísticos para la identificación de parámetros en sistemas dinámicos y los efectos que tienen las señales de excitación en los resultados. De forma particular se propone el uso de la técnica de Evolución Diferencial para identificar el modelo de un servomecanismo de corriente directa. Los parámetros identificados son comparados con los obtenidos por medio del método de Mínimos Cuadrados para el mismo conjunto de pruebas experimentales. Estas se llevan a cabo utilizando diversas señales de excitación para evaluar la importancia del contenido espectral en el desempeño de ambas técnicas. La comparación de desempeño se realiza mediante la implementación de un esquema de asignación de polos diseñado utilizando los parámetros identificados. Se propone como medida de desempeño la integral del error cuadrático medio del error de seguimiento producido al implementar el controlador en la misma plataforma experimental donde se obtuvieron los datos para realizar la identificación de parámetros.

¿Cómo citar?

R. Cortez-Vega, Rubén Garrido. Identificación paramétrica de un motor de CD utilizando el algoritmo de evolución diferencial. Memorias del Congreso Nacional de Control Automático, pp. 90-95, 2018.

Palabras clave

Motor de corriente directa, algoritmo de Evolución Diferencial, método de Ackerman, algoritmo de Mínimos Cuadrados

• Chakraborty, U.K. (2008). Advances in differential evolution, volume 143. Springer.
• Ding, J. (2018). Recursive and iterative least squares parameter estimation algorithms for multiple-input–output-error systems with autoregressive noise. Circuits, Systems, and Signal Processing, 1–23.
• Guedes, J.J., Castoldi, M.F., Goedtel, A., Agulhari, C.M., and Sanches, D.S. (2018). Parameters estimation of three-phase induction motors using differential evolution. Electric Power Systems Research, 154, 204–212.
• Isermann, R. and M¨unchhof, M. (2010). Identification of dynamic systems: an introduction with applications. Springer Science & Business Media.
• Josenalde Oliveira, Paulo Moura Oliveira, T.M.P. (2018). Pid posicast control for uncertain oscillatory systems: A practical experiment. In 3rd IFAC Conference on Advances in ProportionalIntegral-Derivative Control, 0526.
• Montazeri, A., West, C., Monk, S.D., and Taylor, C.J. (2017). Dynamic modelling and parameter estimation of a hydraulic robot manipulator using a multi-objective genetic algorithm. International Journal of Control, 90(4), 661–683.
• Neri, F. and Tirronen, V. (2010). Recent advances in differential evolution: a survey and experimental analysis. Artificial Intelligence Review, 33(1-2), 61–106.
• Ogata, K. and Yang, Y. (2002). Modern control engineering, volume 4. Prentice hall India.
• Pandey, S., Majhi, S., and Ghorai, P. (2017). A new modelling and identification scheme for time-delay systems with experimental investigation: a relay feedback approach. International Journal of Systems Science, 48(9), 1932–1940.
• Soltani, M., Bozorg, M., and Zakerzadeh, M. (2018). Parameter estimation of an sma actuator model using an extended kalman filter. Mechatronics, 50, 148–159.
• Srivastava, M., Saini, S., and Thakur, A. (2018). Analysis and parameter estimation of microstrip circular patch antennas using artificial neural networks. In Soft Computing: Theories and Applications, 285–292. Springer.
• Verma, H.O. and Peyada, N. (2018). Parameter estimation of stable and unstable aircraft using extreme learning machine. In 2018 AIAA Atmospheric Flight Mechanics Conference, 0526.